「评估基准」共找到 1426 篇相关文章
最新 Anthropic 人类经济指数报告：AI 如何重塑经济？
Anthropic 持续监测 AI 实际使用情况，在第四份报告提出「经济基本要素」概念，分析2025年11月对话样本，探讨AI提效、任务时长、不同国家应用差异等，还评估职业受影响情况及对经济的总体影响。
重复一下提示词，Gemini准确率竟从21%飙升至97%！
Google Research团队研究发现，重复提示词可让Gemini准确率从21.33%升至97.33%。该策略能提升主流大模型非推理任务表现，在多模型多基准测试中优势明显，且不增加延迟。
硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来
哈尔滨工业大学等机构团队发表研究，用认知神经科学视角审视AI记忆系统，探讨如何让AI产生“自我”，构建会遗忘、反思、成长的记忆大脑，还涉及记忆分类、存储、管理、评估、防御及未来演进等内容。
当AI走进Second Half：真正的问题、价值与生态是什么？｜甲子光年
本文是甲子光年年终盛典巅峰对话实录，探讨AI下半场问题。嘉宾们认为技术上未到下半场，但应用层面已至。大家围绕重新定义问题、评估真实价值、重构产业生态展开交流，分享见解与经验。
复杂空间推理新SOTA，性能提升55%！中山大学新作SpatialDreamer
中山大学等机构推出SpatialDreamer，模拟人类空间认知过程，构建闭环推理流程，还提出GeoPO解决奖励稀疏问题，构建SpatialDreamer - SFT数据集。实验显示其在多基准达SOTA，为AI空间智能发展开辟新路径。
谷歌最新版「深度研究」反击GPT-5.2
GPT - 5.2发布前，谷歌推出新版Gemini Deep Research Agent，基于Gemini 3 Pro构建，功能强大。还开源DeepSearchQA，推出交互API。此外，DeepMind与英国政府合作，在城市规划、科学研究、网络安全等多领域应用AI技术。
DeepSeek V3到V3.2的进化之路，一文看全
知名AI研究者Sebastian Raschka发布深度博客，详细梳理DeepSeek V3到V3.2进化历程。DeepSeek V3.2性能对标GPT - 5和Gemini 3.0 Pro，且为开放权重模型，报告涵盖众多有趣领域和知识。
小米开源首个跨域具身基座模型MiMo-Embodied，29个榜单SOTA
小米具身智能团队开源跨域基座模型MiMo - Embodied，它融合自动驾驶与具身智能，在29个榜单创SOTA。该模型基于MiMo - VL架构，采用四阶段训练策略，有效解决领域割裂问题，为通用VLA模型奠定基础。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大语言模型 OmniVinci，结合架构创新与数据合成流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发争议。
一边秀肌肉，一边设围墙，NVIDIA 发布 OmniVinci，性能碾压 Qwen2.5-Omni，却被骂“假开源”
NVIDIA 推出多模态大模型 OmniVinci，结合架构创新与合成数据流水线，训练 token 仅为 Qwen2.5 - Omni 的六分之一，却在多项基准测试表现更佳。但采用限制商业用途的许可证，引发“假开源”争议。